材料信息学导论.上，机器学习基础 张统一 著.pdf
材料信息学是一门新兴的交叉学科，为在材料基因组理念下加速材料科学研究和技术发展提供了一个全新的方法。作为材料和力学学者，作者在推动材料信息学发展方面做了大量工作，在人工智能（AI）、机器学习（ML）和材料科学技术融合交叉方面，有诸多的尝试和心得体会。作者旨在写一本易懂的材料信息学
机器学习
组合优化问题的机器学习求解方法.pdf
《组合优化问题的机器学习求解方法》对组合优化的机器学习求解方法进行了阐述。《组合优化问题的机器学习求解方法》从组合优化机器学习方法的起源算法开始，详细介绍一些代表性的模型、算法和理论，内容深入浅出，注重理论与实际应用的结合，力图给出该学术领域的研究趋势和最新的研究成果。
机器学习与人工智能.pdf
本书涵盖了与人工智能相关的机器学习核心方法，包括深度卷积神经网络、循环神经网络、生成对抗网络、蒙特卡罗树搜索、强化学习。本书也包括一些应用非常广泛的机器学习方法，例如，支持向量机、决策树和随机森林、隐马尔可夫模型、聚类与自组织映射。本书还包含一些重要的大数据分析方法，如主成分分析
机器学习与智能决策支持系统.pdf
本书研究机器学习的基本概念并以此为基础、详细研究归纳学习、范例推理、遗传算法等经典学习方法，详细探讨基于几类具体机器学习技术的智能决策支持系统等。
基于机器学习的物体自动理解技术.pdf
本书用丰富的图示和实验，将物体的自动理解技术和机器学习的理论相结合，以实现物体的自动理解技术为主线，以机器学习的理论作为主要方法，结合实例逐步深入地介绍了机器学习相关理论。主要内容包括特征提取、三维网格分割、三维场景重建、三维模型功能性分析等，涵盖了目前常用的主流的各种学习方法。
机器学习中的基本算法.pdf
本书共八章.第1章和第2章简要介绍了机器学习的基本概念、研究内容、算法体系，以及相关的优化理论与优化算法.第3章和第4章详细介绍了几类作为分类器和回归器的支持向量机算法，包括算法出发点、建模思想、理论推导和算法在数据分类、识别、拟合、预测等方面的应用.第5章和第6章着重介绍了两类
机器学习理论、方法及应用.pdf
本书主要围绕基于神经网络的学习、强化学习和进化学习三个方面阐述机器学习理论、方法及其应用，共分三部分13章。
组学机器学习 刘琦.pdf
人工智能驱动的组学挖掘是数据驱动的生物医学研究的支撑技术。组学测序技术逐步向多尺度、跨模态、有扰动等方向发展，但体现出的高维度、高噪声、多模态、标记稀缺等特点，成为制约其有效挖掘的瓶颈。《组学机器学习》面向生命组学数据特点，较为系统和深入地对组学机器学习的主要研究范式、适用场景、
机器学习中的交替方向乘子法 林宙辰,李欢,方聪 著.pdf
使用机器学习技术解决实际应用问题涉及模型的建立、训练及评估等步骤。优化算法常被用于训练模型的参数，是机器学习的重要组成部分。机器学习模型的训练可以建模成无约束优化问题或带约束优化问题，约束可以为模型增加更多的先验知识。基于梯度的算法（例如加速梯度法、随机梯度法等）是求解无约束优化